devgo.cn核心观点
- 研究首次以大规模真实世界实验证明：用导航平台系统级协调哪怕一小部分行程去分散车流，就能显著提升全城车速、降低排放。
- 实验在 10 个美国城市进行，采用「切换式」整城实验设计：只修改约 2% 行程的路由建议，目标路段车速中位数提升约 2%，燃油消耗率中位数下降 0.5%-1.0%。
- 对受影响的全部路段而言，车速中位数提升约 0.35%，早晚高峰时段提升 0.5%，按城市规模估算每年每城可减排数千吨 CO₂e。
- 研究提出从「单车最优」走向「网络最优」的协同路由实验框架，成果发表于 Nature Cities。
内容精讲
地面交通支撑着现代生活，但代价高昂：司机平均一生要在路上花 2.6 年，私家车与厢式货车贡献了全球约 10% 的 CO₂ 排放。提高交通网络效率至关重要。一个长期悬而未决的问题是：公路路由能不能像航空管理空域、互联网路由数据包那样做系统级协调？地面交通历史上缺乏「空中管制塔」，但数字平台提供了通往更协调未来的窗口——导航服务、车联网、智慧城市和自动驾驶都让交通资源的测量与优化成为可能。
Google 研究此前已在基础设施层面展示过这种力量：Project Green Light 用 AI 优化城市交通信号灯。但车辆网络层面的优化一直难啃——个人车辆路由在各大导航产品中都是标配，系统级的整网路由优化却始终缺位；网络优化的理论模型虽有，大规模实证验证却严重不足。这篇发表在 Nature Cities 上的研究填补了空白。
**实验设计：整城切换，而非随机抽车。** 研究在美国 10 个大城市进行，目标明确且克制：在路由阶段修改途经预选拥堵路段的行程的感知代价，把它们引导到耗时相近的替代路线。干预不是随机作用于个别行程，而是系统地作用于全城——「治疗日」用修改过的路由算法引导所有途经预选拥堵路段的行程绕行，次日切回未修改的对照组，如此交替（switchback / crossover 设计）持续六个月。被改变路由建议的行程占观测总量的不到 2%。
**路段选择基于历史拥堵。** 每个城市根据拥堵水平和真实数据可用性入选，再依据历史拥堵模式（周期性瓶颈或高峰高密度路段）选出约 100 个路段。干预的核心逻辑是：减少这些高需求、高拥堵路段上本应承受的车流，把它们分散到代价相近的替代路径上。
**效果分析用分层贝叶斯建模。** 研究采用分层贝叶斯结果建模框架：同时建模城市整体层与局部小时层的参数，灵活捕捉共享变化而不强加严格约束，还允许信息在城市与时段间共享——某个城市或时刻的估计可以借用其他子组的效应强度。
**结果：小干预，显著收益。** 平均到所有城市，目标路段车速中位数提升约 2%，燃油消耗率中位数下降 0.5%-1.0%。放大到受干预影响的所有路段（包括被引流离开和引流进入的路段）：车速中位数提升约 0.35%，早晚高峰时段提升 0.5%。以所研究城市的规模与能源需求计算，相当于每个城市每年潜在减排数千吨 CO₂e。
**机制：疏散瓶颈，外圈吸收。** 收益源于把车辆从主要瓶颈战略性地疏散开：交通被高效分散后，外围道路即使吸收了更多车流，也能维持更高的平均速度和更低的总体排放。论文展示的亚特兰大案例直观说明了这一点：聚合路由从穿过市中心的高速公路（蓝色）分流，转向空间上更分散的路段集合（绿色），交通网络的整体效率因此改善。
这项研究的意义不只是「改了 2% 的车流省了多少油」——它建立了一套可复用的实验框架：从单行程优化向协同路由范式演进，用连续多日的整城对照实验衡量任何路由干预的真实效果。当自动驾驶与车联网把测量粒度推到极致，这类「数字管制塔」的雏形可能成为未来城市交通的标配。
阅读价值
对交通与城市研究者，这是一份稀缺的大规模随机对照数据，switchback 设计 + 分层贝叶斯分析可直接复用；对导航产品团队，它量化了「网络感知路由」对全社会效率的真实价值，为产品迭代提供了可衡量的实验方法论。
内容与图片版权归原作者所有 · 原文: https://research.google/blog/the-power-of-collaboration-how-we-can-reduce-traffic-congestion/